LLM 에이전트가 외부 도구 사용 시, 도구 메뉴가 커질수록 오작동·조기 실행·토큰 비용 증가 문제가 발생합니다. 기존 방식은 관련성만 고려하여 불필요하거나 시기상조인 도구를 노출하는 한계가 있습니다. 연구진은 인과적 충분성을 기반으로 하는 CMTF(Causal Minimal Tool Filtering)를 제안하여, 현재 상태에서 목표 달성을 위해 필요한 최소한의 도구만 필터링합니다.
CMTF는 학습 없이 작동하며, 102개의 작업, 100개의 도구, 4개의 LLM 백엔드를 활용한 실험에서 기존 방식 대비 작업 성공률은 유지하면서, 가시 도구를 100개에서 1개로 줄이고 토큰 사용량은 약 90% 절감했습니다. 이는 기존 인과적 기준과 유사한 성능을 보이면서도 효율성을 크게 향상시킨 결과입니다.
CMTF는 도구 노출을 최소화하여 LLM 에이전트의 신뢰성과 효율성을 높이는 데 기여하며, 복잡한 작업에서도 안정적인 도구 사용을 가능하게 합니다.